基于深度学习的海上目标一维序列信号目标检测方法

当前海面目标检测方法多基于统计理论,检测性能受背景统计特性假设的影响,本文从信号预测和特征分类两个角度,分别采用长短时记忆网络(LSTM)和卷积神经网络(CNN)对信号时间序列幅度信息进行处理,用于海上目标一维序列雷达信号检测,该方法不需事先假设背景统计特性,泛化能力更强。基于LSTM序列预测的目标检测方法通过用海杂波信号幅度时间序列对网络进行训练,再用训练后的网络对后续序列进行预测,并与后续实测信号进行比较,实现目标检测。基于CNN序列分类的目标检测方法中采用截取的海杂波信号和目标信号幅度序列作为数据集样本,对一维卷积核CNN进行训练,使其具有识别目标杂波信号特征能力,从而实现目标检测。最后,采用IPIX和CSIR实测海杂波数据对两种方法进行验证,结果表明两种方法均可实现一维序列信号中海面目标的检测,但LSTM预测方法对于长序列检测的实时性有待于进一步提高;CNN分类方法可实现实时检测,但仅利用信号幅度信息,检测性能仍需进一步提升。      

全卷积神经网络应用于SAR目标检测

在合成孔径雷达（SAR）图像目标检测中,由于场景杂波的复杂多变,对背景杂波统计模型估计难度增加,从而导致多数检测器容易受到背景杂波的干扰。针对如何避免场景杂波对目标检测干扰的问题,提出了一种基于全卷积神经网络的SAR目标检测模型。该模型将目标检测任务转化为像素分类问题,利用卷积神经网络对数据集中目标像素特征和背景杂波像素的先验信息进行自主学习,有效减少了虚警目标的数量;通过对目标及其阴影区域的联合检测,提高了目标的检测概率。对多个不同场景图像进行测试,实验结果表明提出的检测模型具有良好的检测性能和鲁棒性能,与传统恒虚警检测算法相比,在无需考虑背景杂波统计模型前提下有效降低了虚警概率。     

雷达海上目标双通道卷积神经网络特征融合智能检测方法

受复杂海洋环境影响,基于统计理论的海面目标检测方法由于假设条件不成立,在实际应用中难以实现高性能检测,本文从特征提取分类角度,通过深度学习分类方法对目标和杂波的雷达回波信号进行二元分类,提出了一种基于双通道卷积神经网络(DCCNN)的雷达海上目标智能检测方法。首先,对实测海杂波和目标雷达信号进行预处理,得到信号的时间-多普勒谱和幅度信息;然后,构建DCCNN对预处理得到的数据进行智能特征提取,得到信号的特征向量,并对不同特征提取模型性能进行测试;最后,通过阈值可设的Softmax分类器作为检测器对特征向量进行分类,实现虚警率的控制。测试结果表明:与传统的单通道CNN以及无虚警控制Hog-SVM分类算法相比,基于二维卷积核VGG16和一维卷积核LeNet的DCCNN特征提取模型和softmax分类器可实现更高的检测性能,并可以实现虚警率控制,为复杂海杂波背景下目标智能检测提供了新的技术途径。     

基于高斯短时分数阶Fourier变换 的海面微动目标检测方法

海上目标随海面颠簸导致姿态变化,引起回波功率调制效应,导致回波多普勒体现时变和非平稳特性.为此,本文将微多普勒理论应用于海杂波中弱目标检测,提出一种基于高斯短时分数阶Fourier变换(GSTFRFT)的海面微动目标检测方法.首先,建立海面目标的平动和三维转动回波模型;然后,基于海尖峰判别方法对回波信号进行数据筛选,改善信杂比,并采用GSTFRFT对微动信号进行增强处理,利用海面目标与海杂波的微动特征差异设计恒虚警检测方法;最后,通过GSTFRFT域滤波,提取信号的微动特征并得到瞬时频率.实测雷达数据仿真结果验证了算法的有效性,具有在强海杂波中检测微弱目标的能力.     

一种基于修正激活函数的CNN车载毫米波雷达目标检测方法

为了提高车载毫米波雷达在复杂城市道路环境中目标检测的抗杂波与干扰能力,本文利用卷积神经网络（CNN）特征参数提取和目标分类特性,提出了一种改进的基于CNN的车载毫米波雷达目标检测方法。该方法首先将毫米波雷达回波信号距离-多普勒二维数据运用滑窗进行分割,并采用CNN网络模型处理分割后的二维矩阵,训练二维CNN网络模型及其参数,使其具有提取回波特征并基于特征参数模型进行目标分类的能力,从而实现目标检测功能。通过对卷积神经网络模型结构进行优化,增加批量归一化层,优化Dropout层使得低权重特征失活,自适应地删减部分神经元节点修正该层非线性激活函数,进一步降低了CNN模型目标检测的虚警概率。实验结果表明,在相同虚警概率条件下,CNN网络检测方法目标发现概率优于传统的单元平均恒虚警检测方法,并且在低信噪比的条件下仍然能够保持较高的发现概率;在同等发现概率水平下,修正后CNN网络检测方法的虚警概率较修正前可提高约1个数量级。     

基于两步法的海上目标智能检测方法

传统的恒虚警(CFAR)检测器虽然在多数目标场景中具有不错的检测效果,但在强杂波背景下其检测性能会下降。基于深度学习的雷达目标检测方法可以提取深度特征用于目标检测,然而深度学习算法耗时长,很难应用于实际场景。针对上述问题,文中提出了一种基于深度神经网络的两步检测法实现海杂波背景下的目标检测。首先将雷达回波的距离-多普勒图以窗口滑动的方式截取小尺寸样本,通过全连接层网络(FCNN)进行初步检测,然后在检测区域截取更大尺寸的样本用以深度特征提取,通过多层卷积神经网络(CNN)区分目标与杂波,得到最终的检测结果。实验结果表明,与传统CFAR检测器和基于CNN的一步检测方法相比,文中所提方法保持较高检测概率的同时,能有效提升检测效率。     

海面刚体目标微动特征建模及特性分析

微多普勒描述了海面目标运动的精细特征,成为区分海杂波和目标的有用特征之一,有助于提高雷达目标探测和识别能力。该文以对海观测雷达为平台,建立了海杂波中微动目标雷达回波模型。首先,简要回顾了微动和微多普勒效应的定义,归纳总结出微多普勒效应的内涵和实质,并给出了海面刚体目标的微动特征分类。然后,根据观测时长将模型分为距离单元内微动目标回波模型和长时间微动目标观测模型;根据海面微动目标的运动形式,将模型分为非匀速平动目标回波模型和3轴转动目标回波模型。最后,采用雷达实测数据分析微动特征并验证模型的有效性。      

基于四极化通道融合的海面漂浮微弱目标特征检测

海杂波背景下的微弱漂浮目标检测是雷达目标检测的热点和难点问题。由于海杂波背景下的微弱漂浮目标的回波能量低和多普勒频率通常位于主杂波区,传统的自适应类相参积累检测方法无法有效检测该类目标。基于特征类的目标检测方法是解决海面漂浮目标检测问题的有效途径。本文首先分别提取四个极化通道的三种时域和频域特征（相对平均振幅、相对多普勒峰高和向量熵）,然后在极化通道维度上进行融合,获得四极化通道融合特征。最后,在三维特征空间中使用快速凸包学习算法来确定海杂波的判决区域,从而完成检测。实测海杂波数据实验验证了新方法的有效性,并表明其具有优良的检测性能。      

基于CNN的机载气象雷达气象目标检测方法

机载气象雷达系统进行气象探测时易受到强地杂波的干扰,从而导致目标信息丢失。为准确检测地杂波中的气象目标,获取完整的目标信息,本文提出了一种基于卷积神经网络(Convolution Neural Networks, CNN)的机载气象雷达目标检测方法。该方法联合时域、多普勒域和俯仰维空域信息,将杂波相位对准指标、多普勒速度和干涉相位作为CNN的输入,并给出详细的网络结构。本文通过模拟雷达回波仿真产生训练集和测试集,并对所提网络进行训练和测试。仿真结果表明,与目前的气象目标检测方法相比,该方法具有较高的检测概率,而且在谱矩信息变化的情况下仍可维持较好的检测性能,具有很好的鲁棒性。此外,仿真结果表明CNN比传统的贝叶斯分类器和支持向量机等分类网络具有更好的分类性能。     

基于稀疏度自适应匹配追踪算法的微动杂波抑制

目标或目标组成部分的机械振动或旋转产生微多普勒效应,在目标分类和识别中起着重要作用。然而,环境中许多物体(例如风力涡轮机、空调等)的微多普勒效应对雷达系统而言就像时变的杂波,导致雷达探测性能下降。本文针对外辐射源雷达微动杂波影响目标检测的问题,提出了一种基于稀疏度自适应匹配追踪改进算法(SAMP)的微动杂波抑制方法。考虑到微动杂波的稀疏特性,将复杂的微动杂波抑制问题转化为稀疏信号表示问题,分离微动杂波并将其抑制,便于目标观测。相比于原SAMP算法,改进后的SAMP算法能自动调整步长并在残差达到自适应阈值后快速停止迭代。仿真和实测数据验证了所提方法的有效性。     

基于AlexNet-BiLSTM网络的锥体目标微动分类

针对典型弹道锥体目标分类需构造、提取人工特征而缺乏通用性及智能性的问题,提出一种利用卷积神经网络（Convolutional Neural Network,CNN）与长短期记忆网络（Long Short-Term Memory,LSTM）相结合的网络模型,对弹道锥体目标的微动时频图实现智能分类的方法。首先,分析弹道锥体目标的微多普勒特征,得出不同微动形式的微多普勒频率;然后,利用AlexNet网络的图像特征提取能力与BiLSTM网络的时序特征提取能力构造AlexNet-BiLSTM网络模型,并通过模拟雷达回波生成的时频图数据集对网络进行训练、调试;最后,仿真结果表明该网络能实现弹道锥体目标的智能微动分类,验证了该网络的有效性及鲁棒性。      

基于RSP-CFD方法的小型旋翼无人机微动特征提取

准确地估计小型旋翼无人机的微动参数对无人机的识别具有重要意义,针对小型旋翼无人机弱微动特征的提取问题,本文提出了 RSP-CFD(Reassigned Spectrogram-Cadence Frequency Diagram,RSP-CFD) 的特征提取方法。首先采用高分辨时频分析方法RSP分析旋翼无人机的微动特性,其次在 RSP 的基础上利 用CFD方法提取旋翼无人机的微动特征,最后通过极大值参数估计方法实现对旋翼转速、叶片长度的估计。 结果表明 RSP-CFD 方法对旋翼无人机微动特征的提取具有较高的准确性,弥补了传统方法的不足,进而为旋翼无人机的分类提供理论基础和技术支撑。      

基于跟踪脉冲的MIMO雷达多目标微动特征提取

微动特征是空间目标识别的重要特征信息之一。然而,现有的多功能多输入多输出(Multi-Input Multi-Output, MIMO)雷达通常需要在完成目标搜索和跟踪任务之后为目标微动特征提取分配大量连续的时间资源,导致目标识别实时性能和雷达系统整体工作性能均不高。针对该问题,该文提出了一种基于跟踪脉冲的MIMO雷达多目标微动特征提取方法。首先依据各目标的方位信息对MIMO雷达发射波形进行设计,为不同方向目标同时发射跟踪脉冲;在此基础上,综合考虑目标微动特征提取性能以及目标跟踪性能的需求,对跟踪脉冲的发射时间序列进行优化设计;最后,直接利用窄带跟踪脉冲实现对不同方向目标微动特征的同时提取,无需再为目标微动特征提取分配额外的时间资源,有效提升目标识别实时性和雷达工作效率。仿真实验表明,在信噪比大于–10 dB时,所提方法能够实现多目标微动特征的准确提取,具有良好的有效性和鲁棒性。      

基于多层次特征差异图的视觉场景识别

场景外观剧烈变化引起的感知偏差和感知变异给视觉场景识别带来了很大的挑战。现有的利用卷积神经网络（CNN）的视觉场景识别方法大多数直接采用CNN特征的距离并设置阈值来衡量两幅图像之间的相似性,当场景外观剧烈变化时效果较差,为此提出了一种新的基于多层次特征差异图的视觉场景识别方法。首先,一个在场景侧重的数据集上预训练的CNN模型被用来对同一场景中感知变异的图像和不同场景中感知偏差的图像进行特征提取。然后,根据CNN不同层特征具有的不同特性,融合多层CNN特征构建多层次特征差异图来表征两幅图像之间的差异。最后,视觉场景识别被看作二分类问题,利用特征差异图训练一个新的CNN分类模型来判断两幅图像是否来自同一场景。实验结果表明,由多层CNN特征构建的特征差异图能很好地反映两幅图像之间的差异,文中提出的方法能有效地克服感知偏差和感知变异,在场景外观剧烈变化下取得很好的识别效果。     

一站固定式双基FMCW SAR地面振动目标检测与特征提取

地面目标的微小运动是目标本身独有的特性,可用于目标的分类与识别。论文对一站固定式双基FMCWSAR地面振动目标检测与特征提取方法展开研究,采用相位中心偏置天线(DPCA)技术进行杂波抑制,进而检测出地面振动目标。对回波信号分析表明,经DPCA杂波抑制后回波信号中存在一个随慢时间变化的包络项,称为慢时间包络(STE),该项将影响振动目标微多普勒(m-D)时频曲线的能量分布,导致无法获取完整的振动目标m-D时频曲线;进一步地,利用STE项与振动特征之间的关系,可实现振动目标的特征提取。仿真实验验证了理论分析结果及特征提取方法的有效性。      

基于多尺度圆周频率滤波与卷积神经网络的遥感图像飞机目标检测方法研究

针对遥感图像飞机目标检测因目标尺度不一存在漏警、虚警等问题,该文基于遥感图像中飞机目标形状特征和灰度变化特点提出了一种多尺度圆周频率滤波(MSCFF)与卷积神经网络(CNN)相结合的MSCFF+CNN飞机目标自动检测算法。该算法首先采用多尺度圆周频率滤波器滤除遥感图像复杂背景,实现不同尺度飞机目标候选区域提取;然后,通过构建卷积神经网络(CNN)模型实现候选区域有效分类,最终精确确定飞机目标位置。最后,基于获取的真实遥感图像进行目标检测算法实验验证,经统计该算法的飞机目标检测率为94.38%,虚警率为3.76%,实验结果充分验证了该文算法的有效性,该算法可为机场监管、军事侦察等应用提供重要的技术支持。     

基于多尺度圆周频率滤波与卷积神经网络的遥感图像飞机目标检测方法研究

针对遥感图像飞机目标检测因目标尺度不一存在漏警、虚警等问题,该文基于遥感图像中飞机目标形状特征和灰度变化特点提出了一种多尺度圆周频率滤波(MSCFF)与卷积神经网络(CNN)相结合的MSCFF+CNN飞机目标自动检测算法.该算法首先采用多尺度圆周频率滤波器滤除遥感图像复杂背景,实现不同尺度飞机目标候选区域提取;然后,通过构建卷积神经网络(CNN)模型实现候选区域有效分类,最终精确确定飞机目标位置.最后,基于获取的真实遥感图像进行目标检测算法实验验证,经统计该算法的飞机目标检测率为94.38%,虚警率为3.76%,实验结果充分验证了该文算法的有效性,该算法可为机场监管、军事侦察等应用提供重要的技术支持.     

基于特征谱的空间锥体目标识别方法

弹头与诱饵在中段飞行过程中存在不同的微动。弹头的微动为进动,诱饵的微动为自旋或摆动。根据弹头与诱饵在飞行过程中微动差异,提出了应用特征谱作为识别特征的分类方法。首先分析了进动、摆动及自旋目标回波信号的微多普勒特性。分析结果表明进动、摆动与自旋目标的微多普勒谱均可以近似为线谱,但是存在明显差异。因此提出应用谐波和的数学模型提取特征谱作为分类特征。最后给出特征谱提取方法及特征的降维方法。仿真结果表明,该方法能够有效地识别目标。